CN112784887B - 一种植物生命状态评价方法及装置 - Google Patents
一种植物生命状态评价方法及装置 Download PDFInfo
- Publication number
- CN112784887B CN112784887B CN202110036717.1A CN202110036717A CN112784887B CN 112784887 B CN112784887 B CN 112784887B CN 202110036717 A CN202110036717 A CN 202110036717A CN 112784887 B CN112784887 B CN 112784887B
- Authority
- CN
- China
- Prior art keywords
- plant
- data
- reconstruction
- phase space
- moisture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 50
- 241000196324 Embryophyta Species 0.000 claims abstract description 236
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000000739 chaotic effect Effects 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012795 verification Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000011282 treatment Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000000691 measurement method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000005156 Dehydration Diseases 0.000 description 1
- 240000002262 Litsea cubeba Species 0.000 description 1
- 235000012854 Litsea cubeba Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008641 drought stress Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002847 impedance measurement Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000003976 plant breeding Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种植物生命状态评价方法及装置。其中，该方法包括：获取活立木茎干水分数据；对所述活立木茎干水分数据进行预处理，得到相应的植物茎干水分序列数据；对所述植物茎干水分序列数据进行混沌特性验证；确定相空间重构目标参数，并基于所述相空间重构目标参数对所述植物茎干水分序列数据进行相空间重构；根据相空间重构结果的重构数据特征，确定当前植物生命状态。采用本发明公开的植物生命状态评价方法，操作便捷，避免了对植物造成损伤，能够快速准确评价植物生命状态，提高测量方法的效率及可靠性。
Description
技术领域
本发明涉及计算机应用技术领域，具体涉及一种植物生命状态评价方法和装置。另外，还涉及一种电子设备及非暂态计算机可读存储介质。
背景技术
目前，关于植物生命状态的评价方法越来越多，通常涵盖植物的各种生理指标。然而，现有的评价方法大多采用“经验法”，即由有丰富经验的培育人员判断植物长势，从而推断其生命状态。此种方法需要人员实地考察，导致评价过程存在延迟，容易错过植物最佳救助时期，并且对人员经验水平要求较高，容易存在误判、漏判等问题。
为了科学严谨地解决上述问题，研究人员尝试利用植物生理指标对植物生命状态进行评价。其中，植物体内水分变化与植物生命活动息息相关，针对植物体内水分的相关研究成为当前技术人员的研究重点和难点。现有技术中，通常采用茎流法直接测量植物体内水分变化规律。但是植物茎流是基于热传导的原理测量得到，相关检测仪器价值昂贵，难以长期野外安装，并且使用过程中需要将探针插入树木中，会对植物造成损伤，对操作专业性要求也较高，导致难以普及。因此，如何设计一种能快速、简便的评价植物生命状态的技术方案成为了亟待解决的问题。
发明内容
为此，本发明提供一种植物生命状态评价方法及装置，以解决现有电池一致性筛选中存在的植物生命状态的评价方式操作过程复杂，对专业性要求也较高，并且容易对植物造成损害，导致无法满足实际使用需求的问题。
本发明提供一种植物生命状态评价方法，包括：
获取活立木茎干水分数据；
对所述活立木茎干水分数据进行预处理，得到相应的植物茎干水分序列数据；
对所述植物茎干水分序列数据进行混沌特性验证；
确定相空间重构目标参数，并基于所述相空间重构目标参数对所述植物茎干水分序列数据进行相空间重构；
根据相空间重构结果的重构数据特征，确定当前植物生命状态。
进一步的，所述对所述活立木茎干水分数据进行预处理，得到相应的植物茎干水分序列数据，具体包括：
确定植物茎干含水量全年范围的单日最大值平均值和冬季单日最小值平均值；将所述活立木茎干水分数据中大于预设第一目标倍数的单日最大值平均值和小于预设第二目标倍数的冬季单日最小值平均值确定为异常数据，并进行剔除；
利用滑动平均滤波方式进行非光滑数据滤波处理；
利用训练完成的填补模型对缺失时长区间段的茎干水分序列数据进行数据填补，得到所述植物茎干水分序列数据。
进一步的，所述对所述植物茎干水分序列数据进行混沌特性验证，具体包括：
基于李雅普诺夫定理分别测定预设时长区间的所述植物茎干水分序列数据，若不同时长区间的所述植物茎干水分序列数据对应的李雅普诺夫指数均大于0，则确定所述植物茎干水分序列数据具有混沌特性。
进一步的，所述确定相空间重构目标参数，并基于所述相空间重构目标参数对茎干水分序列数据进行相空间重构，具体包括：
基于互信息法获得植物茎干水分的目标重构延迟时间；
基于虚假最邻近法获得植物茎干水分的目标重构维数；
基于所述目标重构延迟时间和所述目标重构维数，对所述植物茎干水分序列数据进行相空间重构处理。
进一步的，所述根据相空间重构结果的重构数据特征，确定当前植物生命状态，具体包括：
确定相空间重构结果的欧几里得距离；将所述欧几里得距离的平均值和标准差作为所述重构数据特征；
确定植物不同生命状态对应的目标欧几里得距离阈值；
将所述欧几里得距离与所述目标欧几里得距离阈值进行比对，若所述相空间重构结果的欧几里得距离超过所述目标欧几里得距离阈值，则确定当前植物生命状态存在异常。
进一步的，所述的植物生命状态评价方法，还包括：预先对比植物不同生命状态下植物茎干水分序列数据进行相空间重构后的重构数据特征，确定植物不同生命状态分别对应的目标重构特征阈值，并制定相应的植物生命状态评价标准。
进一步的，所述根据相空间重构结果的重构数据特征，确定当前植物生命状态，具体包括：
以相空间重构结果的重构数据特征作为评价参数；
将当前重构数据特征与所述植物生命状态评价标准对应的目标重构数据特征阈值进行比对；
若所述当前重构数据特征大于所述目标重构数据特征阈值，则确定当前植物生命状态存在异常。
相应的，本发明还提供一种植物生命状态评价装置，包括：
数据获取单元，用于获取活立木茎干水分数据；
数据预处理单元，用于对所述活立木茎干水分数据进行预处理，得到相应的植物茎干水分序列数据；
混沌特性验证单元，用于对所述植物茎干水分序列数据进行混沌特性验证；
相空间重构单元，用于确定相空间重构目标参数，并基于所述相空间重构目标参数对所述植物茎干水分序列数据进行相空间重构；
植物生命状态确定单元，用于根据相空间重构结果的重构数据特征，确定当前植物生命状态。
进一步的，所述数据预处理单元，具体用于：
确定植物茎干含水量全年范围的单日最大值平均值和冬季单日最小值平均值；将所述活立木茎干水分数据中大于预设第一目标倍数的单日最大值平均值和小于预设第二目标倍数的冬季单日最小值平均值确定为异常数据，并进行剔除；
利用滑动平均滤波方式进行非光滑数据滤波处理；
利用训练完成的填补模型对缺失时长区间段的茎干水分序列数据进行数据填补，得到所述植物茎干水分序列数据。
进一步的，所述混沌特性验证单元，具体用于：
基于李雅普诺夫定理分别测定预设时长区间的所述植物茎干水分序列数据，若不同时长区间的所述植物茎干水分序列数据对应的李雅普诺夫指数均大于0，则确定所述植物茎干水分序列数据具有混沌特性。
进一步的，所述相空间重构单元，具体用于：
基于互信息法获得植物茎干水分的目标重构延迟时间；
基于虚假最邻近法获得植物茎干水分的目标重构维数；
基于所述目标重构延迟时间和所述目标重构维数，对所述植物茎干水分序列数据进行相空间重构处理。
进一步的，所述植物生命状态确定单元，具体用于：
确定相空间重构结果的欧几里得距离；将所述欧几里得距离的平均值和标准差作为所述重构数据特征；
确定植物不同生命状态对应的目标欧几里得距离阈值；
将所述欧几里得距离与所述目标欧几里得距离阈值进行比对，若所述相空间重构结果的欧几里得距离超过所述目标欧几里得距离阈值，则确定当前植物生命状态存在异常。
进一步的，所述的植物生命状态评价装置，还包括：评价标准确定单元，用于预先对比植物不同生命状态下植物茎干水分序列数据进行相空间重构后的重构数据特征，确定植物不同生命状态分别对应的目标重构特征阈值，并制定相应的植物生命状态评价标准。
进一步的，所述植物生命状态确定单元，具体用于：
以相空间重构结果的重构数据特征作为评价参数；
将当前重构数据特征与所述植物生命状态评价标准对应的目标重构数据特征阈值进行比对；
若所述当前重构数据特征大于所述目标重构数据特征阈值，则确定当前植物生命状态存在异常。
相应的，本发明还提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意一项所述的植物生命状态评价方法的步骤。
相应的，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的植物生命状态评价方法的步骤。
采用本发明所述的植物生命状态评价方法，通过提取植物茎干水分序列数据特征，进而分析判断植物当前生命状态，操作便捷，避免了对植物造成损伤，能够快速准确评价植物生命状态，提高测量方法的效率及可靠性，在植物繁育领域具有重要的实用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。
图1为本发明实施例提供的一种植物生命状态评价方法的流程示意图；
图2为本发明实施例提供的植物茎干水分重构结果欧几里得距离的特征值变化情况示意图；
图3为本发明实施例提供的一种植物生命状态评价装置的结构示意图；
图4为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
植物茎干中导管与筛管具有水分运输及储存功能，茎干水分是衡量茎干中水分含量的指标。现有研究已经分别用不同的方法对不同树种的茎干水分进行了测量，并验证了基于植物茎干水分测量方法的准确性及可靠性，同时发现了植物茎干水分自身的时间规律和植物茎干水分与环境变化的关系，证明了植物茎干水分与植物生命状态有着紧密的关系。在现有研究的基础上，本发明提供一种基于活立木茎干水分的植物生命状态评价方法，通过提取植物茎干水分序列数据特征，进而分析判断植物当前生命状态，其实现过程操作简便，同时避免了对植物造成损伤，因此能够快速准确评价植物生命状态。
下面基于本发明所述的植物生命状态评价方法，对其实施例进行详细描述。如图1所示，其为本发明实施例提供的植物生命状态评价方法的流程示意图，具体实现过程包括以下步骤：
步骤101：获取活立木茎干水分数据。
在本发明实施例中，所述的活立木茎干水分数据可通过活立木茎干水分传感器采集得到。该茎干水分传感器是基于驻波比法的阻抗测量原理设计的，能够通过测量植物韧皮部介电常数，实现实时无损的活立木茎干水分数据检测。
步骤102：对所述活立木茎干水分数据进行预处理，得到相应的植物茎干水分序列数据。
在本步骤中，所述对活立木茎干水分数据进行预处理，得到相应的植物茎干水分序列数据，具体实现过程可包括：首先，确定植物茎干含水量全年范围的单日最大值平均值和冬季单日最小值平均值；以及将所述活立木茎干水分数据中大于预设第一目标倍数的单日最大值平均值和小于预设第二目标倍数的冬季单日最小值平均值确定为异常数据，并进行剔除。其中，所述第一目标倍数和所述第二目标倍数可按照实际需要进行设定，在此不做具体限定。比如：计算茎干含水量全年范围的单日最大值平均值和冬季单日最小值平均值，将大于1.5倍单日最大值平均值和小于0.5倍冬季单日最小值平均值的数值视为异常数据进行剔除。然后，利用滑动平均滤波方式进行非光滑数据滤波处理，比如通过滑动6点滤波，得到光滑曲线。最后，利用训练完成的填补模型对缺失时长区间段的茎干水分序列数据进行数据填补，得到所述植物茎干水分序列数据。其中，该填补模型是基于深度学习中的LSTM模型，可利用多维微环境数据进行数据填补。
在针对缺失的植物茎干水分缺失序列数据的填补过程中，本发明通过引入深度学习技术弥补了传统填补方式中在长时间序列上填补不足的情况。植物茎干水分信息通过植物微环境及生理监测基站获取，其本身是一组时间序列数据。由于林区环境恶劣，受制于电力故障、设备故障、恶劣气候等因素的影响，植物微环境及生理监测基站有时会发生故障，使得采集到的茎干水分序列数据出现长时间连续缺失的现象。不完备的植物茎干水分信息不利于后期对植物生命状态的评估，因此对缺失的茎干水分序列数据进行填补具有重大意义。本发明优选使用LSTM(Long Short Term Memory，长短时记忆网络)模型进行数据填补。LSTM模型是在RNN(Recurrent Neural Network,循环神经网络)的基础上加入了细胞状态。在具体实施过程中，某一时刻LSTM模型的输入有三个：当前时刻网络的输入值xt、上一时刻LSTM模型的输出值ht-1、以及上一时刻的细胞状态ct-1；LSTM模型的输出值有两个：当前时刻LSTM模型输出值ht、当前时刻的细胞状态ct。LSTM模型的神经单元是具有独特记忆模式的单元结构。基于此记忆模式，该训练完成后的LSTM模型(即填补模型)可对长时间序列缺失的茎干水分序列数据进行填补。
另外，由于植物茎干水分序列数据与环境参数呈密切相关性。根据环境参数与茎干水分序列数据间的内在联系，可以通过向神经网络模型输入环境参数得到对应时间的植物茎干水分序列数据。通过上述方式，可避免对缺失的茎干水分序列数据进行填补时的误差累加问题。并且，由于环境参数，比如空气温度、空气湿度、光照强度等参数，可以较为方便地获取到，因此可以保证填补时输入数据的准确性。
具体的，由于植物生理状态会随日照、温度等周期变化呈现出对应的周期变化。针对茎干水分序列数据上述特征，可对深度学习的LSTM模型结构进行完善，在填补模型中加入预设的周期信息，提升填补模型对数据的解析能力，比如将数据的周期长度直接通过输入定义到网络参数中，可以减少神经网络的运算量，从而进一步提高缺失时长区间段的茎干水分序列数据预测精度。
步骤103：对所述植物茎干水分序列数据进行混沌特性验证。
在步骤中，可利用Lyapunov(李雅普诺夫)指数判定植物茎干水分序列数据的混沌特性。具体的，可基于李雅普诺夫定理分别测定预设时长区间的所述植物茎干水分序列数据，若不同时长区间的所述植物茎干水分序列数据对应的李雅普诺夫指数均大于0，则确定所述植物茎干水分序列数据具有混沌特性。
举例而言，可分别对区间长度为1周、1月、1年的不同区间段的植物茎干水分序列数据进行混沌特性检验。若植物茎干水分序列数据的李雅普诺夫指数λ>0，则认为其具有混沌系统性质。需要说明的是，由于区间长度为1日的数据只具有单次的周期变化，特征较少，因此不将区间长度为1日的数据作为检验数据。
设植物茎干水分序列数据为一维离散映射xn+1＝f(xn)，x0为初值。其Lyapunov指数为：
该公式推导过程包括：
假设存在一个与xn+1＝f(xn)存在微小误差的系统yn+1＝f(yn)，微小误差为|x0-y0|。
一次迭代后，可以得到：
其中，
第二次迭代得到：
则第n次迭代得到：
两个系统如果初始存在微小的差异，随着时间(或迭代次数)产生分离，分离程度常用李雅普诺夫(Lyapunov)指数来度量，其为几何平均值的对数：
式中xn为第n次迭代值。令n趋于无穷，得到李雅普诺夫指数的计算公式：
Lyapunov指数取值不同，代表所述系统的不同特性：
当λ>0时，系统运动会进入混沌状态，对应的映射叫做混沌映射；
当λ<0时，系统的运动状态会趋于稳定且此时对系统的初始状态不敏感；
当λ＝0时，系统则处于稳定状态。
代入植物茎干水分序列数据，得到所述系统处于混沌状态，证明植物茎干水分序列数据为带有混沌特征的数据形式。
步骤104：确定相空间重构目标参数，并基于所述相空间重构目标参数对所述植物茎干水分序列数据进行相空间重构。
在本步骤中，所述确定相空间重构目标参数，并基于所述相空间重构目标参数对茎干水分序列数据进行相空间重构，具体实现过程包括：首先基于互信息法获得植物茎干水分的目标重构延迟时间，并基于虚假最邻近法获得植物茎干水分的目标重构维数；然后，基于所述目标重构延迟时间和所述目标重构维数，对所述植物茎干水分序列数据进行相空间重构处理。
在植物茎干水分序列数据的相空间重构参数具体确定过程中，对未知数学模型进行混沌分析时，需要从预先测得的实验数据出发，相空间重构常常是分析中的第一步。植物茎干水分序列数据作为时间序列数据主要是在时间域中进行模型的分析，而由于其具有混沌特性，则无论是对植物茎干水分序列数据的混沌不变量的计算，混沌模型的建立和预测都是在相空间中进行，因此相空间重构是混沌时间序列处理中非常重要的一个步骤。
假设时间序列是{x(i)|i＝1,…,n}，坐标延迟重构法则是通过一维时间序列{x(i)}的不同延迟时间τ来构建d维的相空间矢量：
y(i)＝(x(i),…,x(i+(d-1)τ)),where 1≤i≤n-(d-1)τ (7)
具体的，可以从一维混沌时间序列中重构一个与原动力系统在拓扑意义下相同的相空间，混沌时间序列的判定，分析和预测都是在该重构的相空间中进行的，因此相空间的重构是混沌时间序列研究的关键。其与混沌特征参数计算的精确性有极其重要的关系，重构质量的好坏直接决定了特征参数的计算准确性。
需要说明的是，在相空间重构中，最重要的是2个参数值的确定，即重构维数和重构延迟时间。针对相同的数据，不同的延迟时间和不同的重构维数，会造成完全不同的重构的结果。
a、重构延迟时间的确定
延迟时间的选取的影响是：延迟时间太小，所有的点将会集中在对角线上，关联程度太强；延迟时间太大，所有的点又表现为毫无相关性。互信息法是从信息论的角度出发，其既可分析线性也可分析非线性系统。假设有两系统Q和S，根据信息论，互信息的定义为：
I(Q,S)＝H(Q)+H(S)-H(Q,S) (8)
式中H(Q)，H(S)为Q，S系统的熵；H(Q,S)为Q，S系统的联合熵。
如果把S作为原始数据序列{x(t)}(t＝1，2，…，n)，Q作为S的时间延迟T数据序列{x(t+τ)}，则由Q和S可得到一个两维的重构图，那么互信息计算式为：
式中Psq(si,qj)为当S＝si，Q＝qj时，重构图中的联合分布概率，Ps(si)，Pq(qj)为边缘分布的概率。交互信息曲线I(τ)＝I(S,Q)第一次下降到极小值所对应的延迟时间τ则是最佳延迟时间。
b、重构维数的确定
混沌时间序列是高维相空间混沌运动的轨迹在一维空间的投影，在投影的过程中，混沌运动的轨迹就会被扭曲。高维相空间并不相邻的两个点投影到一维空间上有的时候就会成为相邻的两点，也就是虚假邻点。重构相空间，实际上就是从混沌时间序列中恢复混沌运动的轨迹，随着嵌入维数的增大，混沌运动的轨道就会被打开，虚假邻点就会被逐渐剔除，从而整个混沌运动的轨迹得到恢复。
在d维相空间中，每一个矢量：
yi(d)＝(x(i),…,x(i+(d-1)τ)),where 1≤i≤n-(d-1) (10)
都有一个欧几里德距离的最邻近点：
yn(i,d)(d),(n(i,d)≠i,1≤n(i,d)≤n-(d-1)τ) (11)
其距离是：
Ri(d)＝||yi(d)-yn(i,d)(d)||2 (12)
当相空间的维数从d变成d+1时，这两个点的距离就会发生改变，钦点距离是Ri(d+1)：
在具体实施过程中，如果Ri(d+1)比Ri(d)大很多，那么就可以认为这是由于高维混沌吸引子中两个不相邻的点投影到低维坐标上变成相邻的点造成的。这样的邻近点是虚假的，令a1(i,d)＝‖x(i+dτ)-x(n(i,d)+dτ)‖2/Rd(i)，如果a1(i,d)>Rτ∈[10,50]，那么yn(i,d)(d)就是yi(d)的虚假最邻近点。其中，所述Rτ是阈值。
对于实际的混沌时间序列，从嵌入维数的最小值2开始，计算虚假最邻近点的比例，然后逐渐增加维数d，直到虚假最邻近点的比例小于5％或者虚假最邻近点的比例不再随着d的增加而减少时，可以认为混沌吸引子已经完全打开，此时的d就是嵌入维数。在相空间重构方面，虚假最邻近点法是计算嵌入维数很有效的方法。
步骤105：根据相空间重构结果的重构数据特征，确定当前植物生命状态。
在本发明实施例中，可预先对比植物不同生命状态下植物茎干水分序列数据进行相空间重构后的重构数据特征，确定植物不同生命状态分别对应的目标重构特征阈值，并制定相应的植物生命状态评价标准。以相空间重构结果的重构数据特征作为评价参数；将当前重构数据特征与所述植物生命状态评价标准对应的目标重构数据特征阈值进行比对；若所述当前重构数据特征大于所述目标重构数据特征阈值，则确定当前植物生命状态存在异常，需要做补充水分、除虫除病等处理。
具体的，所述根据相空间重构结果的重构数据特征，确定当前植物生命状态，具体实现过程可以是：首先确定相空间重构结果的欧几里得距离；将所述欧几里得距离的平均值和标准差作为所述重构数据特征；以及确定植物不同生命状态对应的目标欧几里得距离阈值；进一步的，将所述欧几里得距离与所述目标欧几里得距离阈值进行比对，若所述相空间重构结果的欧几里得距离超过所述目标欧几里得距离阈值，则确定当前植物生命状态存在异常。
其中，欧式距离也称欧几里得距离，是最常见的距离度量，衡量的是多维空间中两个点之间的绝对距离。也可以理解为：m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在植物茎干水分序列数据相重构结果的特征提取时，在时间序列的茎干水分序列数据中，m＝2，欧几里得距离为两点茎干水分数值的差值。在其他二维和三维空间中的欧氏距离就是两点之间的实际距离。具体的计算公式如下：
公式中xi和yi分别为维度为i时两个变量的坐标值。时间序列下，i＝1时指代的是序列号，i＝2时指代的是茎干水分值。每个维度两组茎干水分序列数据对应坐标差值的平方和开根号，即为时间序列下两组植物茎干水分的一组对应点的欧几里得距离。时间序列下的植物茎干水分序列数据的欧几里得距离，指代了两组不同的茎干水分序列数据对应时刻的差别。
经过相空间重构后，在高维空间中的坐标包含了某个时刻的茎干水分值的当前值与未来值。i＝1时指代的是t时刻的茎干水分值；i＝2时指代的是t+τ时刻的茎干水分值；i＝n时指代的是t+(n-1)τ时刻的茎干水分值。由于延迟时间τ和重构维数n均为最优值，高维空间的坐标值涵盖了最多的数据特征。可以理解为高维空间中的坐标值描述了茎干水分的一种发展状态。因而对重构结果的分析，不止局限于某个时刻的具体数值，而是以发展变化的角度进行分析。在具体实施过程中，对茎干水分序列数据分别使用互信息法和虚假最邻近法得到时间延迟参数和重构维数后，使用最佳重构参数对茎干水分序列数据进行重构。测算重构结果的欧几里得距离。统计不同生长状态植物茎干水分重构结果欧几里得距离的平均值和标准差。由于重构结果的欧几里得距离涵盖的信息更全面，其特征值的差别较时间序列下更明显，联系植物的不同状态，相空间重构结构的特征区分度更强。
如图2所示，处于干旱胁迫下的植物茎干水分重构结果欧几里得距离的平均值、标准差，要比健康状态下的值大很多。可以通过对比植物茎干水分重构结果特征，判断植物当前是否处于非正常生长状态，若存在水分胁迫等问题可及时做出应对处理，从而为古树保护、苗木抚育等领域提供了可量化的评价指标和植物保护手段。
采用本发明实施例所述的植物生命状态评价方法，通过提取植物茎干水分序列数据特征，进而分析判断植物当前生命状态，操作便捷，避免了对植物造成损伤，能够快速准确评价植物生命状态，提高测量方法的效率及可靠性。
与上述提供的一种植物生命状态评价方法相对应，本发明还提供一种植物生命状态评价装置。由于该装置的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的植物生命状态评价装置的实施例仅是示意性的。请参考图3所示，其为本发明实施例提供的一种植物生命状态评价装置的结构示意图。
本发明所述的一种植物生命状态评价装置具体包括如下部分：
数据获取单元301，用于获取活立木茎干水分数据。
数据预处理单元302，用于对所述活立木茎干水分数据进行预处理，得到相应的植物茎干水分序列数据。
混沌特性验证单元303，用于对所述植物茎干水分序列数据进行混沌特性验证。
相空间重构单元304，用于确定相空间重构目标参数，并基于所述相空间重构目标参数对所述植物茎干水分序列数据进行相空间重构。
植物生命状态确定单元305，用于根据相空间重构结果的重构数据特征，确定当前植物生命状态。
采用本发明实施例所述的植物生命状态评价装置，通过提取植物茎干水分序列数据特征，进而分析判断植物当前生命状态，操作便捷，避免了对植物造成损伤，能够快速准确评价植物生命状态，提高测量方法的效率及可靠性。
与上述提供的植物生命状态评价方法相对应，本发明还提供一种电子设备。由于该电子设备的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的电子设备仅是示意性的。如图4所示，其为本发明实施例公开的一种电子设备的实体结构示意图。该电子设备可以包括：处理器(processor)401、存储器(memory)402和通信总线403，其中，处理器401，存储器402通过通信总线403完成相互间的通信。处理器401可以调用存储器402中的逻辑指令，以执行植物生命状态评价方法，该方法包括：获取活立木茎干水分数据；对所述活立木茎干水分数据进行预处理，得到相应的植物茎干水分序列数据；对所述植物茎干水分序列数据进行混沌特性验证；确定相空间重构目标参数，并基于所述相空间重构目标参数对所述植物茎干水分序列数据进行相空间重构；根据相空间重构结果的重构数据特征，确定当前植物生命状态。
此外，上述的存储器402中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的植物生命状态评价方法，该方法包括：获取活立木茎干水分数据；对所述活立木茎干水分数据进行预处理，得到相应的植物茎干水分序列数据；对所述植物茎干水分序列数据进行混沌特性验证；确定相空间重构目标参数，并基于所述相空间重构目标参数对所述植物茎干水分序列数据进行相空间重构；根据相空间重构结果的重构数据特征，确定当前植物生命状态。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的植物生命状态评价方法，该方法包括：获取活立木茎干水分数据；对所述活立木茎干水分数据进行预处理，得到相应的植物茎干水分序列数据；对所述植物茎干水分序列数据进行混沌特性验证；确定相空间重构目标参数，并基于所述相空间重构目标参数对所述植物茎干水分序列数据进行相空间重构；根据相空间重构结果的重构数据特征，确定当前植物生命状态。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种植物生命状态评价方法，其特征在于，包括：
获取活立木茎干水分数据；
对所述活立木茎干水分数据进行预处理，得到相应的植物茎干水分序列数据；所述植物茎干水分序列数据为时间序列数据；
对所述植物茎干水分序列数据进行混沌特性验证；
确定相空间重构目标参数，并基于所述相空间重构目标参数对所述植物茎干水分序列数据进行相空间重构；所述确定相空间重构目标参数，并基于所述相空间重构目标参数对所述植物茎干水分序列数据进行相空间重构，具体包括：获得植物茎干水分的目标重构延迟时间；基于虚假最邻近法获得植物茎干水分的目标重构维数；基于所述目标重构延迟时间和所述目标重构维数，对所述植物茎干水分序列数据进行相空间重构处理，获得相空间重构结果；
根据相空间重构结果的重构数据特征，确定当前植物生命状态；
还包括：预先对比植物不同生命状态下植物茎干水分序列数据进行相空间重构后的重构数据特征，确定植物不同生命状态分别对应的目标重构特征阈值，并制定相应的植物生命状态评价标准；所述根据相空间重构结果的重构数据特征，确定当前植物生命状态，具体包括：以相空间重构结果的重构数据特征作为评价参数；将当前的重构数据特征与所述植物生命状态评价标准对应的目标重构数据特征阈值进行比对；若所述当前的重构数据特征大于所述目标重构数据特征阈值，则确定当前植物生命状态存在异常。
2.根据权利要求1所述的植物生命状态评价方法，其特征在于，所述对所述活立木茎干水分数据进行预处理，得到相应的植物茎干水分序列数据，具体包括：
确定植物茎干含水量全年范围的单日最大值平均值和冬季单日最小值平均值；将所述活立木茎干水分数据中大于预设第一目标倍数的单日最大值平均值和小于预设第二目标倍数的冬季单日最小值平均值确定为异常数据，并进行剔除；
利用滑动平均滤波方式进行非光滑数据滤波处理；
利用训练完成的填补模型对缺失时长区间段的茎干水分序列数据进行数据填补，得到所述植物茎干水分序列数据。
3.根据权利要求1所述的植物生命状态评价方法，其特征在于，所述对所述植物茎干水分序列数据进行混沌特性验证，具体包括：
基于李雅普诺夫定理分别测定预设时长区间的所述植物茎干水分序列数据，若不同时长区间的所述植物茎干水分序列数据对应的李雅普诺夫指数均大于0，则确定所述植物茎干水分序列数据具有混沌特性。
4.根据权利要求1所述的植物生命状态评价方法，其特征在于，所述根据相空间重构结果的重构数据特征，确定当前植物生命状态，具体包括：
确定相空间重构结果的欧几里得距离；将所述欧几里得距离的平均值和标准差作为所述重构数据特征；
确定植物不同生命状态对应的目标欧几里得距离阈值；
将所述欧几里得距离与所述目标欧几里得距离阈值进行比对，若所述相空间重构结果的欧几里得距离超过所述目标欧几里得距离阈值，则确定当前植物生命状态存在异常。
5.一种植物生命状态评价装置，其特征在于，包括：
数据获取单元，用于获取活立木茎干水分数据；
数据预处理单元，用于对所述活立木茎干水分数据进行预处理，得到相应的植物茎干水分序列数据；所述植物茎干水分序列数据为时间序列数据；
混沌特性验证单元，用于对所述植物茎干水分序列数据进行混沌特性验证；
相空间重构单元，用于确定相空间重构目标参数，并基于所述相空间重构目标参数对所述植物茎干水分序列数据进行相空间重构；所述相空间重构单元，具体用于：获得植物茎干水分的目标重构延迟时间；基于虚假最邻近法获得植物茎干水分的目标重构维数；基于所述目标重构延迟时间和所述目标重构维数，对所述植物茎干水分序列数据进行相空间重构处理；
植物生命状态确定单元，用于根据相空间重构结果的重构数据特征，确定当前植物生命状态；
还包括：评价标准确定单元，用于预先对比植物不同生命状态下植物茎干水分序列数据进行相空间重构后的重构数据特征，确定植物不同生命状态分别对应的目标重构特征阈值，并制定相应的植物生命状态评价标准；所述植物生命状态确定单元，具体用于：以相空间重构结果的重构数据特征作为评价参数；将当前重构数据特征与所述植物生命状态评价标准对应的目标重构数据特征阈值进行比对；若所述当前重构数据特征大于所述目标重构数据特征阈值，则确定当前植物生命状态存在异常。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4任意一项所述的植物生命状态评价方法的步骤。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-4任意一项所述的植物生命状态评价方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110036717.1A CN112784887B (zh) | 2021-01-12 | 2021-01-12 | 一种植物生命状态评价方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110036717.1A CN112784887B (zh) | 2021-01-12 | 2021-01-12 | 一种植物生命状态评价方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112784887A CN112784887A (zh) | 2021-05-11 |
| CN112784887B true CN112784887B (zh) | 2024-01-05 |
Family
ID=75755360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110036717.1A Active CN112784887B (zh) | 2021-01-12 | 2021-01-12 | 一种植物生命状态评价方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784887B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116610923B (zh) * | 2023-07-14 | 2023-09-22 | 北京林业大学 | 活立木生命状态的确定方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09126957A (ja) * | 1995-10-30 | 1997-05-16 | Toshiba Corp | 時系列を用いた力学系の精密診断手法 |
| CN105092092A (zh) * | 2015-09-06 | 2015-11-25 | 河海大学常州校区 | 一种基于wsn的预装式变电站温度在线监测与预测系统 |
| CN109993346A (zh) * | 2019-02-22 | 2019-07-09 | 南京邮电大学 | 基于混沌时间序列和神经网络的微电网电压安全评估方法 |
| WO2019200437A1 (en) * | 2018-04-20 | 2019-10-24 | Sipco Pty Ltd | A method for determining the degree of cure in forages |
| CN110414031A (zh) * | 2019-05-07 | 2019-11-05 | 深圳大学 | 一种基于volterra级数模型预测时间序列的方法 |
| CN111007087A (zh) * | 2019-11-12 | 2020-04-14 | 北京林业大学 | 一种活立木冻融特性无损检测传感器、系统及方法 |
-
2021
- 2021-01-12 CN CN202110036717.1A patent/CN112784887B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09126957A (ja) * | 1995-10-30 | 1997-05-16 | Toshiba Corp | 時系列を用いた力学系の精密診断手法 |
| CN105092092A (zh) * | 2015-09-06 | 2015-11-25 | 河海大学常州校区 | 一种基于wsn的预装式变电站温度在线监测与预测系统 |
| WO2019200437A1 (en) * | 2018-04-20 | 2019-10-24 | Sipco Pty Ltd | A method for determining the degree of cure in forages |
| CN109993346A (zh) * | 2019-02-22 | 2019-07-09 | 南京邮电大学 | 基于混沌时间序列和神经网络的微电网电压安全评估方法 |
| CN110414031A (zh) * | 2019-05-07 | 2019-11-05 | 深圳大学 | 一种基于volterra级数模型预测时间序列的方法 |
| CN111007087A (zh) * | 2019-11-12 | 2020-04-14 | 北京林业大学 | 一种活立木冻融特性无损检测传感器、系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| "活立木茎干水分实时无损获取方法及应用研究";高超;《中国博士学位论文全文数据库基础科学辑》;摘要，11-97页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112784887A (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11188752B2 (en) | Crop biometrics detection | |
| CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
| CN111475680A (zh) | 检测异常高密子图的方法、装置、设备及存储介质 | |
| CN113126019B (zh) | 一种智能电表误差远程估计方法、系统、终端和存储介质 | |
| CN112802071B (zh) | 一种三维重建效果评价方法及系统 | |
| CN117073768B (zh) | 肉牛养殖管理系统及其方法 | |
| CN115015683B (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
| CN112784887B (zh) | 一种植物生命状态评价方法及装置 | |
| CN118035926B (zh) | 基于多元数据扩散的模型训练、水检测方法及系统 | |
| CN117611031B (zh) | 一种冷链物联网物流温度实时监控方法及系统 | |
| CN111461923A (zh) | 一种基于深度卷积神经网络的窃电监测系统和方法 | |
| CN113538560B (zh) | 基于三维重建的叶面积指数提取方法 | |
| CN117937731A (zh) | 分布式灵活资源接入配电网的监测方法及系统 | |
| CN113127464A (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
| CN115690590B (zh) | 作物生长异常监测方法、装置、设备及存储介质 | |
| Sodhi et al. | Robust plant phenotyping via model-based optimization | |
| Gorgulu et al. | Egg production curve fitting using least square support vector machines and nonlinear regression analysis | |
| Ruß et al. | Estimation of neural network parameters for wheat yield prediction | |
| CN115965875A (zh) | 一种农作物病虫害智能监控方法及系统 | |
| Dong et al. | Measurement method of plant phenotypic parameters based on image deep learning | |
| CN118337525B (zh) | 一种基于大数据的云资产安全管理系统 | |
| CN115589608B (zh) | 物联网数据异常检测模型训练方法、异常检测方法和系统 | |
| CN116610923B (zh) | 活立木生命状态的确定方法、装置、电子设备及存储介质 | |
| Malik et al. | Estimation of the Extent of the Vulnerability of Agriculture to Climate Change Using Analytical and Deep-Learning Methods: A Case Study in Jammu, Kashmir, and Ladakh. Sustainability 2023, 15, 11465 | |
| CN118298218A (zh) | 一种木薯叶疾病分类方法、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhao Yandong Inventor after: Liu Yuqi Inventor after: Song Wei Inventor after: Zhao Yue Inventor after: Han Qiaoling Inventor before: Zhao Yandong Inventor before: Song Wei Inventor before: Zhao Yue Inventor before: Han Qiaoling |
|
| CB03 | Change of inventor or designer information |